Membangun Budaya Data di Kementerian Keuangan

pemahaman atas data, sejumlah pertanyaan tentang data tersebut perlu
dicari jawabannya. Dari mana data berasal? Apa saja tipe data tersebut?
Unit mana yang menghasilkan data tersebut? Apa proses bisnis yang
terkait dengan data tersebut? Siapa saja yang menggunakan data
tersebut? Bagaimana data tersebut tersusun? Pertanyaan-pertanyaan ini
penting untuk dijawab untuk mendapatkan pemahaman tentang data.

Faktor kedua adalah kemampuan menganalisis data.
Kemampuan menganalisis data merupakan tingkat kedua dari literasi
data. Pada level ini, seseorang sudah mampu menggunakan metodologi
statistik dan analitis untuk menghasilkan wawasan yang berguna. Lebih
jauh, pada level ini seseorang mampu mendefinisikan hubungan antar
variabel di dalam data.

Terakhir adalah kemampuan memaknai data. Faktor ini
merupakan bagian terpenting dan kompleks karena tidak hanya mampu
berkomunikasi dengan data, tetapi juga menilai apa pengaruh data
tersebut bagi organisasi. Lebih lanjut, seseorang dengan kemampuan ini
dapat melihat potensi manfaat bagi organisasi dari pemahaman atas
data tersebut.

Mereka yang Harus Memiliki Literasi Data

Literasi data harus dimiliki oleh setiap pegawai di Kementerian
Keuangan. Bahkan literasi data harus menjadi kompetensi penting bagi
level pimpinan. Mengapa? Karena mereka adalah orang yang akan
mengambil keputusan dan menentukan arah organisasi. Sebagai contoh,
Direktur Pelaksanaan Anggaran bertugas merumuskan kebijakan di
bidang pelaksanaan anggaran. Direktur Penindakan dan Penyidikan
memiliki tugas merumuskan kebijakan di bidang penindakan dan

31

penyidikan kepabeanan dan cukai. Direktur Pinjaman dan Hibah
mempunyai tugas merumuskan kebijakan bidang pinjaman dan hibah.
Kualitas perumusan kebijakan dan pengambilan keputusan oleh para
pejabat tersebut tentu akan lebih baik jika mereka memiliki literasi data
yang baik. Oleh karena itu, orang-orang yang menduduki jabatan
tersebut harus memiliki literasi data yang baik.

Pada level pimpinan, literasi data tidak diartikan bahwa mereka
harus memiliki kemampuan teknis seperti mengumpulkan,
membersihkan, memproses, dan mengagregasi data. Apalagi
kemampuan untuk membangun model prediktif dan preskriptif. Literasi
data pada level pimpinan dimaknai sebagai kemampuan untuk
memahami desain dan logika sebuah program data analitik, interpretasi
statistik dasar, dan keterbatasan ekstrapolasi.

Meski seorang analis perlu menyajikan presentasinya dalam
bentuk yang mudah dicerna, namun jika ingin menciptakan iklim yang
kondusif bagi budaya data, maka atasan dan para pemimpin dari analis
tersebut tetap perlu belajar dan memiliki pengetahuan tentang
interpretasi statistik dasar dan terminologi umum dalam bidang
statistik. Dengan kata lain, budaya data didukung dengan literasi data
yang membutuhkan literasi statistik. Ukuran keberhasilan budaya data
adalah ketika setiap orang meyakini bahwa data adalah bagian penting
dari tugas mereka sehari-hari. Pemahaman atas data memungkinkan
setiap orang untuk memiliki basis argumentasi yang lebih kuat
dibandingkan tidak memiliki data.

Yang Perlu Dilakukan untuk Menumbuhkan Literasi Data

Meski literasi data tidak dapat dibangun semudah membalikkan
telapak tangan, namun bukan hal yang tidak mungkin untuk dilakukan.

32

Literasi data dapat dimulai dalam kehidupan sehari-hari. Ada sejumlah
kebiasaan yang dapat dimulai sehingga literasi data dapat diakselerasi
dan terjadi secara alamiah. Kegiatan-kegiatan seperti pendampingan,
pementoran data analitik, dan coaching perlu digalakkan.

Pelatihan dan forum berbagi pengetahuan dan pengalaman juga
penting dalam pengentasan buta data. Kegiatan tersebut tidak hanya
dalam bentuk ceramah atau seminar, tapi juga dalam bentuk pelatihan
praktik (hands-on training) dan workshop. Mereka yang telah memiliki
kemampuan cukup di bidang data juga dianjurkan untuk menularkan
literasi data melalui tulisan dan narasi di forum ilmiah, media massa, dan
media sosial. Agenda rutin terkait literasi data seperti hackathon, lomba
presentasi data, lomba kreasi memahami data turut meningkatkan
literasi data di Kementerian Keuangan. Pada akhirnya, semua kegiatan
ini membutuhkan dukungan dari semua pihak mulai dari pucuk
pimpinan hingga pelaksana di satuan kerja agar literasi data di
Kementerian Keuangan dapat terwujud.

33

34

EKOSISTEM DATA ANALITIK

Ekosistem yang Bertumbuh

Dalam membangun budaya data, perlu dipahami bahwa tidak
ada yang dibangun dalam sekejap. Begitu juga dengan ekosistem data
analitik. Ekosistem data analitik harus tumbuh dan berevolusi seiring
waktu, baik secara filosofi maupun struktur27. Pada tahap awal,
ekosistem yang dibangun dengan struktur internal merupakan pilihan
yang paling realistis. Namun, pilihan ini mungkin menjadi tidak relevan
seiring dengan perjalanan waktu. Pada fase awal implementasi data
analitik, akan sangat wajar untuk membangun fungsi analitik secara ad
hoc dan desentralisasi. Seiring dengan kenaikan tingkat kematangan
data analitik dan tingkat kompleksitas kebutuhan, maka secara gradual
perlu dibangun mekanisme koordinasi dan kolaborasi. Juga sangat
rasional untuk meminjam sumber daya dari luar pada fase awal sebelum
membuat komitmen untuk membangun kapabilitas internal.

Membangun ekosistem data analitik tidak dilakukan dengan
membiarkan unsur-unsur di dalam ekosistem tersebut tumbuh sendiri.
Ekosistem dibangun dengan semangat bahwa setiap unsur di dalamnya
akan tumbuh bersama dan saling mendukung. Ekosistem data analitik
meliputi seluruh unit eselon I dan non eselon termasuk unit misi khusus
(special mission vehicles) dalam lingkungan Kementerian Keuangan.
Untuk mendukung fungsi Kementerian Keuangan sebagai otoritas fiskal
dan Bendahara Umum Negara, ekosistem data analitik Kementerian
Keuangan juga akan melibatkan kementerian, lembaga, dan pemerintah

27 Anderson (2015).

35

daerah, baik sebagai entitas sumber data maupun entitas yang
memanfaatkan data analitik yang dihasilkan Kementerian Keuangan.
Kolaborasi seluruh entitas tersebut sangat penting untuk mendukung
efektivitas dan kesinambungan inisiatif data analitik.

Dalam menerapkan data analitik di Kementerian Keuangan
perlu dipertimbangkan bahwa seluruh pihak dan komponen yang
dibutuhkan untuk pengembangan data analitik merupakan unsur yang
saling terkait. Demikian pula, untuk mengubah data menjadi nilai,
prosesnya akan membutuhkan interaksi sumber daya manusia,
teknologi, dan struktur organisasi. Proses-proses tersebut diletakkan
dalam kerangka ekosistem sebagai komunitas yang tumbuh bersama
dengan berfondasi pada regulasi, organisasi dan komitmen yang
menumbuhkan budaya data (Gambar 5). Budaya data adalah komponen
penentu keberhasilan interaksi positif di dalam ekosistem data analitik.
Budaya data memungkinkan setiap orang dan unit kerja diberdayakan
untuk menghasilkan nilai dan manfaat untuk organisasi dan masyarakat.

36

Gambar 5
Ekosistem Data Analitik Kementerian Keuangan

37

Arahan Strategis bagi Data Analitik

Untuk memastikan pertumbuhan ekosistem data analitik tetap
relevan dengan kebutuhan organisasi secara luas, maka yang menjadi
penggerak utama adalah arahan eksekutif dari Menteri Keuangan, Wakil
Menteri Keuangan, dan pimpinan unit eselon I Kementerian Keuangan
yang perlu direspons oleh ekosistem data analitik. Konsep ini sejalan
dengan kerangka teori data-driven organization pada Kementerian
Keuangan yang meletakkan nilai dari arahan eksekutif sebagai proses
yang mengarahkan agar setiap aktivitas di dalam ekosistem data analitik
sejalan dan relevan dengan tujuan strategis yang ingin dicapai.

Arahan eksekutif tersebut dapat berupa kebutuhan untuk
menyusun respons kebijakan atau mengambil keputusan strategis
terkait dengan tema-tema penting seperti isu global, makro ekonomi,
sektoral, industrialisasi, regional lokal, demografi, perbankan dan
keuangan, korporasi dan kelembagaan, dan perubahan iklim.

Agar ekosistem data analitik dapat menghasilkan solusi yang
efektif atas masalah-masalah makro dan lintas sektoral tersebut, maka
ekosistem data analitik diperkuat dengan ruang kerja virtual berbasis
teknologi informasi yang berpotensi menghasilkan organisasi yang agile
dan produktif. Ruang kerja virtual tersebut memungkinkan proyek data
analitik diperkuat dengan dukungan subject matter experts dan analis di
luar unit kerja pemilik proses bisnis. Ekosistem data analitik juga
membutuhkan kolaborasi dan inovasi dari seluruh unit eselon I di
lingkungan Kementerian Keuangan dalam hal tata kelola, teknologi,
sumber daya manusia, kompetensi, data, dan manajemen perubahan.

Membangun ekosistem ini sangat penting untuk mendukung
dan membekali seluruh pegawai dalam menghasilkan inovasi, layanan,

38

keputusan, tindakan, dan kebijakan yang bermanfaat bagi organisasi dan
masyarakat. Pada level teknis, ekosistem data analitik diharapkan dapat
menghasilkan peringatan dini (alert) dan pemahaman (insight) bagi
operasional dan layanan. Ekosistem data analitik ke depannya juga
memungkinkan kolaborasi masyarakat, dunia usaha, dan pemerintah.

Kualitas data yang baik, yang berasal dari otomatisasi dan
digitalisasi proses bisnis, serta standardisasi data menjadi masukan
penting bagi setiap proses yang ada di dalam ekosistem data analitik.
Turut menjadi masukan adalah tingkat literasi data yang meliputi
pemahaman tentang data dan keterlibatan pengguna baik yang berasal
dari unit proses bisnis maupun unit pengelola data. Agar seluruh unsur
di dalam ekosistem dapat berinteraksi, diperlukan sejumlah elemen
sebagai pengaktif dan pembangkit energi yang disebut induksi program.
Induksi program akan bersifat dinamis tergantung kematangan data
analitik di Kementerian Keuangan. Induksi program data analitik
meliputi penerapan inisiatif data analitik, keteladanan dari pimpinan,
kegiatan lomba data (hackathon), dan sinergi dengan institusi lain.

39

40

SUMBER DAYA MANUSIA

Sebagaimana proyek transformasi yang lain, kesuksesan sebuah
transformasi berbasis data terletak pada sumber daya manusia. Meski
pekerjaan-pekerjaan tertentu membutuhkan tingkatan pemahaman dan
kemampuan yang tinggi, namun pada dasarnya seluruh pegawai perlu
mengapreasiasi dan memahami data analitik secara umum. Bab ini akan
menguraikan kelompok keahlian yang perlu dimiliki Kementerian
Keuangan serta kompetensi yang harus dimiliki oleh praktisi data
analitik.

Kelompok Keahlian

Untuk memaksimalkan fungsi data analitik di lingkungan
Kementerian Keuangan, jabatan fungsional data analitik perlu
dikembangkan menjadi sebuah jabatan yang strategis. Berdasarkan
kekhususan penugasannya pada bidang data, praktisi data analitik dapat
dibedakan atas tiga kelompok yaitu data analyst, data scientist, dan data
engineer. Ketiga peran tersebut dengan masing-masing kekhususannya
harus berkolaborasi dalam satu tim untuk mewujudkan pengembangan
pemanfaatan data di lingkungan Kementerian Keuangan. Dalam hal
belum terdapat struktur organisasi data analitik, ketiga peran tersebut
dapat dilakukan secara ad-hoc sampai dengan terbentuk struktur
organisasi dan jabatan yang mengakomodasi kebutuhan atas profesi
tersebut.

Data analyst pada dasarnya adalah seorang ilmuwan data
junior. Seorang data analyst harus memahami pemrograman, statistik,
machine learning, data munging, dan visualisasi data. Selain

41

keterampilan teknis, perhatian terhadap detail dan kemampuan untuk
menyajikan hasil data analitik secara efektif merupakan hal yang penting
untuk menjadi seorang data analyst yang sukses.

Dalam teknis pelaksanaannya, data analyst dapat memperoleh
arahan dari data analyst yang lebih berpengalaman. Selanjutnya,
berdasarkan arahan tersebut, data analyst memperoleh, mengolah, dan
meringkas data. Data analyst adalah orang-orang yang mengelola
jaminan kualitas data scraping, melakukan query database secara teratur
atas permintaan pengguna, dan mengatasi masalah data untuk mencapai
resolusi tepat waktu. Data analyst kemudian mengemas data untuk
memberikan wawasan yang dapat dicerna dalam bentuk naratif atau
visual.

Data engineer cenderung fokus pada rekayasa perangkat lunak
dan desain database. Data engineer juga bertanggung jawab atas
kelancaran aliran data dari sumber data dan tujuan data. Dengan
memanfaatkan descriptive statistics dan output yang dihasilkan oleh
algoritme, data dipindahkan kembali ke sumber atau di tempat lain.

Data scientist adalah praktisi data analitik dengan peranan yang
berada di antara data engineer dan unit pemilik proses bisnis. Data
scientist memiliki keahlian di bidang statistik, data mining, machine
learning, riset operasi, six sigma, otomatisasi, dan pengetahuan tentang
proses bisnis. Data scientist menyatukan sejumlah teknik, proses, dan
metodologi dari berbagai bidang untuk tujuan organisasi. Data scientist
bertugas menjembatani berbagai komponen yang berkontribusi pada
penyempurnaan proses bisnis, dan menghilangkan silo yang
menghambat efisiensi.

42

Kompetensi yang Dibutuhkan

Pada dasarnya, kompetensi yang dibutuhkan untuk menjadi
praktisi data analitik yang sukses dapat dibagi ke dalam dua jenis yaitu
hard skills dan soft skills. Hard skills adalah keahlian yang dibutuhkan
untuk melaksanakan sebuah profesi atau pekerjaan yang diperoleh
melalui pendidikan, pelatihan, dan pengalaman. Sedangkan soft skills
adalah keahlian, keterampilan, dan kecerdasan sosial agar seseorang
mampu beradaptasi dalam lingkungan dan dunia kerja. Kedua jenis
kompetensi tersebut sangat penting dimiliki agar seorang praktisi data
analitik tidak saja memiliki karir yang baik, tetapi juga menjadi agen
perubahan di organisasinya.

1. Hard skills
Secara umum, untuk menjadi seorang praktisi data analitik,

seseorang harus memiliki sejumlah keahlian dan pengetahuan seperti
membersihkan dan menyiapkan data, eksplorasi dan analisis data,
pengetahuan statistik, visualisasi data, dan membuat dasbor dan
laporan. Pengetahuan tentang organisasi dan proses bisnis juga akan
sangat membantu keberhasilan seorang praktisi data analitik.
a. Membersihkan dan menyiapkan data

Penelitian menunjukkan bahwa pembersihan dan persiapan
data menghabiskan waktu sekitar 80% dari pekerjaan olah data.
Oleh karena itu, keterampilan membersihkan dan menyiapkan data
merupakan keterampilan utama bagi siapa pun yang ingin
melakukan pekerjaan di bidang data. Umumnya, seorang praktisi
data perlu mengambil data dari satu atau lebih sumber untuk
menyiapkan data bagi analisis numerik dan kategorisasi.

43

b. Eksplorasi dan analisis data
Sebelum melakukan analisis, seorang analis perlu merumuskan

pertanyaan atau persoalan dan mengubahnya menjadi pertanyaan
data. Pertanyaan atau persoalan tersebut dapat berasal dari unit
pemilik proses bisnis atau arahan dari pimpinan. Selanjutnya,
analisis data dilakukan untuk mengekstrak jawaban atas
pertanyaan itu. Eksplorasi adalah bentuk lain dari analisis data
dalam bentuk pencarian tren atau hubungan menarik dalam data
yang dapat memberikan pemahaman atas persoalan atau isu yang
ditangani. Analisis yang baik dan data yang tepat dan terpercaya
memungkinkan ditemukannya jawaban atas pertanyaan, solusi
untuk persoalan, bahkan peluang untuk meningkatkan efisiensi dan
efektivitas proses bisnis.
c. Memiliki pengetahuan statistik

Pengetahuan statistik adalah keahlian yang sangat penting
untuk menjadi praktisi data analitik yang baik. Pengetahuan dasar
statistik seperti kalkulus dan probabilitas sangat diperlukan karena
laporan mentah saja tidak cukup. Seorang praktisi data analitik
harus mampu melihat tren dan fluktuasi. Dengan pengetahuan
tentang teori statistik dan statistik terapan, praktisi data analitik
tidak hanya akan dapat membuat pernyataan data tetapi juga
memahami mengapa analisis mendapatkan hasil tertentu. Tingkat
pengetahuan yang diperlukan di bidang statistik akan bervariasi
tergantung pada posisi atau peran seorang praktisi di dalam tim.

d. Membuat visualisasi data
Untuk menceritakan sebuah kisah dengan data, seorang praktisi

data analitik memerlukan keterampilan visualisasi data.
Memvisualisasikan data dapat membantu menjelaskan pentingnya

44

tren dan pola yang telah diidentifikasi. Praktisi data analitik
menggunakan berbagai jenis bagan dan grafik untuk
mempresentasikan temuan dengan cara yang ringkas dan menarik.

Dari berbagai perangkat lunak di bidang visualisasi data
analitik, Tableau dan Power BI adalah dua perangkat lunak yang
paling populer pada pengguna korporasi. Keduanya memiliki
keunggulan berupa kemampuan memvisualisasikan hasil data
analitik dengan mudah. Secara khusus Tableau memiliki keunggulan
dalam hal membuat visualisasi yang indah. Sedangkan Power BI,
berbasis sistem Microsoft yang umum dipakai seperti Azure, SQL
Server, dan Excel, unggul dalam membuat visualisasi data yang
efisien. Keuntungan dari kedua perangkat lunak ini terletak pada
kemudahan penggunaannya. Meski demikian, keduanya memiliki
keterbatasannya masing-masing.

Alternatif dari kedua perangkat lunak tersebut adalah Google
Data Studio dan Apache Superset. Keduanya merupakan alternatif
yang dapat digunakan tanpa harus memikirkan lisensi berbayar.
Saat ini, Google Data Studio dapat dimanfaatkan secara arsitektur
awan (cloud) selama pengguna memiliki akun Google dan dapat
dihubungkan dengan Google Drive atau perangkat lunak pihak
ketiga (third party softwares). Sementara itu, Apache Superset dapat
di-install secara on-premise dan dapat dimanfaatkan oleh pengguna
secara luas. Apache Superset sendiri mampu menangani data dalam
skala petabyte (big data) dan telah mendapat dukungan yang
signifikan dari perusahaan teknologi seperti Lyft and Dropbox serta
menjadi proyek skala prioritas pada Apache Software Foundation di
tahun 2021.

45

e. Membuat dasbor dan laporan
Seorang praktisi data analitik harus memberdayakan orang lain

dalam organisasi untuk menggunakan data dalam membuat
keputusan penting. Dengan membuat dasbor dan laporan, analis
data akan memberi akses kepada orang lain ke data penting dengan
menghilangkan hambatan teknis. Dasbor dan laporan dapat
berbentuk bagan dan tabel sederhana dengan filter tanggal, hingga
dasbor besar yang berisi ratusan titik data yang interaktif dan
diperbarui secara otomatis. Kualifikasi pekerjaan terkait data
analitik dapat sangat bervariasi dari satu posisi ke posisi lain, tetapi
hampir setiap pekerjaan yang dilakukan praktisi data analitik akan
melibatkan pembuatan laporan tentang temuan hasil analisis
dan/atau membangun dasbor untuk menampilkannya.
f. Memiliki pengetahuan tentang organisasi dan proses bisnis

Pengetahuan tentang organisasi adalah pemahaman tentang
hal-hal yang spesifik yang ada di organisasi, direktorat, atau bagian
tertentu dari organisasi. Sebagai contoh, jika seorang praktisi data
analitik hendak memahami data terkait pengelolaan kas negara,
maka dia perlu memahami unit kerja yang melakukan proses bisnis
terkait manajemen kas di Direktorat Jenderal Perbendaharaan dan
data-data apa saja yang saling terkait. Begitu juga, jika praktisi data
analitik akan menganalisis data tentang sebuah sistem informasi,
maka dia perlu memahami sistem tersebut dan cara kerjanya.

Pengetahuan tentang organisasi dapat berbeda dari satu
organisasi ke organisasi lainnya. Oleh karena itu, seorang praktisi
data analitik harus dapat belajar dengan cepat di mana pun dan di
bidang apa pun analis data bekerja. Jika seorang analis tidak
memahami organisasi dan konteks yang dianalisis, maka dia akan

46

mengalami kesulitan untuk melakukan tugasnya secara efektif.
Dengan demikian, pengetahuan tentang organisasi dan proses bisnis
menjadi pengetahuan domain dan keterampilan utama seorang
praktisi data analitik.

2. Soft skills

Sebagaimana pentingnya soft skills bagi jenis profesi yang lain,
penguasaan soft skills juga turut menentukan kemajuan karir seorang
praktisi data analitik. Ketika hard skills merupakan keahlian yang
dibutuhkan seseorang dalam berinteraksi dengan data, soft skills adalah
keahlian yang dibutuhkan seseorang dalam berinteraksi dengan orang
lain. Lebih dari itu, soft skills dibutuhkan dalam berinteraksi dengan
lingkungan.

Secara umum, untuk menjadi praktisi data analitik yang baik,
seseorang harus memiliki sejumlah soft skills yaitu komunikasi dan
presentasi, memecahkan masalah, berpikir kritis, rasa ingin tahu,
perhatian terhadap detail, dan bekerja sama dalam tim.
a. Komunikasi dan presentasi

Semakin dalam sebuah laporan, semakin ringkas seharusnya
disajikan. Seorang analis harus dapat menjelaskan elemen
terpenting dari analisis data kepada ketua tim dan pimpinan unit
pemilik proses bisnis. Jika tidak ada yang dapat memahami laporan
yang dibuat analis data, maka tidak akan ada keputusan strategis
yang diambil berdasarkan laporan tersebut. Oleh karena itu, setelah
berhasil melakukan analisis data, seorang analis data harus mampu
menceritakan dan menunjukkan kesimpulan analisis tersebut
kepada pengguna informasi.

47

b. Memecahkan masalah
Kemampuan memecahkan masalah adalah salah satu

keterampilan terpenting yang harus dimiliki oleh seorang praktisi
data analitik. Untuk mampu memecahkan masalah, seorang analis
harus memiliki pemikiran kritis dan mengetahui pertanyaan yang
tepat untuk diajukan. Jika pertanyaan yang diajukan didasarkan
pada pengetahuan tentang tujuan organisasi dan proses bisnis,
maka investigasi yang dilakukan akan relevan dengan kebutuhan
unit kerja. Pada akhirnya, output data analitik akan menjadi relevan
dan menghasilkan jawaban yang dibutuhkan.

Data analitik banyak berkutat tentang berpikir secara logis atas
masalah yang dihadapi. Dengan demikian, seorang analis harus
memiliki logika yang baik tentang proses bisnis dan data. Seorang
analis akan sampai pada kesimpulan yang tepat secara lebih cepat
jika dia terbiasa dengan tantangan dan variasi data.
c. Berpikir kritis

Pemecahan masalah dan berpikir kritis mengacu pada
kemampuan untuk menggunakan pengetahuan, fakta, dan data
untuk memecahkan masalah secara efektif. Ini tidak berarti bahwa
seorang analis data harus memiliki jawaban instan. Namun, dia
harus dapat berpikir mandiri, mengevaluasi masalah, dan
menemukan solusi. Kemampuan untuk mengembangkan solusi
yang dipikirkan dengan matang dalam kerangka waktu yang wajar
adalah keterampilan yang sangat berharga bagi organisasi.

Untuk berhasil sebagai seorang praktisi data analitik, seseorang
harus berpikir seperti seorang analis data. Jika analis data ingin
menggunakan data untuk mendapatkan jawaban atas pertanyaan, ia
harus tahu pertanyaan apa yang harus ditanyakan terlebih dahulu.

48

Yang juga sangat penting adalah seorang analis data tidak
bergantung pada jawaban yang sudah ada. Sebaliknya, seorang
analis perlu mempertimbangkan berbagai kemungkinan skenario.
d. Rasa ingin tahu

Seorang analis mungkin tidak memiliki semua informasi yang
mereka butuhkan di ujung jari mereka. Oleh karena itu, analis harus
memiliki keinginan yang kuat untuk menggali informasi lebih dalam
jika mereka ingin memaksimalkan data yang mereka kumpulkan.
Analis juga perlu membaca hasil-hasil penelitian terkini agar tetap
mengikuti perkembangan ilmu pengetahuan dan teknologi di bidang
data analitik. Analis perlu memiliki pemahaman dan tools terbaru
untuk dapat menafsirkan informasi yang paling penting dari data
yang dimiliki. Pengetahuan terkini di bidang data analitik juga
berguna ketika analis mempresentasikan temuan mereka kepada
pimpinan dan melakukan persuasi tentang langkah apa yang harus
dilakukan organisasi selanjutnya.
e. Perhatian terhadap detail

Dalam banyak hal, pekerjaan seorang analis data mirip dengan
pekerjaan mencari jarum di tumpukan jerami. Seorang analis harus
dapat memperhatikan petunjuk kecil yang mengarah ke pesan yang
lebih besar yang tersembunyi di balik data. Aktivitas melaporkan
dan mengumpulkan data bisa jadi membosankan. Oleh karena itu,
kemampuan menarik kesimpulan yang penting dari data adalah
keterampilan yang perlu selalu dikembangkan.

Perhatian terhadap detail juga berguna ketika analis menyortir
data dan menyusun proses analitik. Kesalahan kecil dalam satu baris
kode dapat membuat seluruh alur kerja menjadi salah. Analis harus

49

waspada terhadap kesalahan kecil yang dapat menyebabkan
masalah yang lebih besar dalam sistem.
f. Bekerja sama dalam tim

Praktisi data analitik perlu berkolaborasi dengan orang-orang
di berbagai posisi dan unit kerja untuk menyelesaikan pekerjaan.
Mereka juga perlu bekerja sama dengan pemilik proses bisnis untuk
menentukan jenis pertanyaan apa yang dapat dijawab melalui data
analitik. Mereka juga berkolaborasi dengan pengembang situs web
untuk memastikan bahwa situs web atau sistem informasi
organisasi dirancang untuk secara efisien menghasilkan data yang
mereka butuhkan. Dalam skala yang lebih besar, praktisi data
analitik berkolaborasi dengan pimpinan untuk menentukan
bagaimana wawasan data terbaru dapat memandu Kementerian
Keuangan dalam bergerak maju menuju tujuannya.

Pendekatan dalam Membangun Sumber Daya

Profesi data analitik adalah profesi yang sangat menarik. Untuk
menguasai data analitik, seseorang tidak harus memiliki latar belakang
formal di bidang statistik atau matematika. Pengembangan kompetensi
harus bersifat interdisipliner yang meliputi kemampuan data analitik,
keterampilan teknologi informasi, pengetahuan proses bisnis, dan
keterampilan komunikasi. Pengembangan profesi dapat dilakukan
dengan menggabungkan metode pelatihan meliputi pembelajaran tatap
muka, e-learning ataupun praktik langsung di tempat kerja. Kurikulum
juga perlu mencakup keterampilan kepemimpinan yang diperlukan
untuk menyiapkan calon-calon pemimpin yang memahami budaya data.

50

Tabel 1 berisi contoh program pengembangan kapasitas untuk profesi
praktisi data analitik yang dapat diterapkan28.

Banyak pendekatan yang dapat digunakan dalam manajemen
sumber daya manusia di bidang data analitik. Pertama, sebuah unit kerja
dapat membangun kemampuan data analitik dengan memiliki sejumlah
analis data dari internal unit kerja, di mana analis internal tersebut
dilengkapi dengan bantuan dari eksternal ketika dibutuhkan. Kedua,
analis internal juga dapat bekerja dengan profesional spesialis atas dasar
permintaan ketika pengalaman dan keahlian analis internal tidak
mencukupi untuk menyelesaikan masalah tertentu. Ketiga, unit kerja
juga dapat memanfaatkan layanan purna jual dari perusahaan perangkat
lunak terkait dengan teknik atau metode data analitik. Terakhir, unit
kerja dapat menyerahkan tugas rutin kepada pihak eksternal untuk
meminimalkan biaya (outsourcing) dan memfokuskan analis internal
untuk tugas-tugas yang lebih penting dan strategis.

Sebelum menentukan pendekatan yang akan dilakukan, yang
perlu dilakukan adalah identifikasi kebutuhan data analitik organisasi
secara keseluruhan. Selanjutnya adalah menentukan sumber daya, baik
internal maupun eksternal, yang dapat digunakan untuk memenuhi
kebutuhan tersebut. Sumber daya eksternal dapat dimanfaatkan ketika
ada kebutuhan yang sangat terspesialisasi. Namun sumber daya
eksternal tersebut digunakan hanya untuk memenuhi kebutuhan yang
tidak sering muncul dan bukan sebagai faktor penentu atas kapabilitas
organisasi. Ketika kebutuhan tersebut sangat signifikan dan sering
terjadi, maka organisasi perlu menyiapkan sumber daya internal agar
tidak tergantung pada sumber daya eksternal.

28 World Customs Organization. (2018). WCO Capacity Building Framework For
Data Analytics.

51

52

53

54

PENGENALAN DATA ANALITIK DI KEMENTERIAN KEUANGAN

Gagasan Data Analitik

Data analitik memiliki potensi yang besar bagi banyak
perubahan dan inovasi. Di sektor privat, data analitik dapat menjelaskan
bagaimana bank dan sektor retail beroperasi. Di industri kesehatan, data
analitik dapat memberikan pemahaman bagaimana cara mengobati
kanker. Bahkan di bidang keamanan, data analitik dapat membantu
melindungi dunia dari terorisme29. Data yang dianggap bernilai kecil
akan menjadi pengetahuan yang akan memberi manfaat jika pengguna
mampu menganalisisnya dan menghasilkan nilai tambah.

Di Kementerian Keuangan sendiri, penggunaan data dalam
aktivitas pekerjaan sebenarnya bukan hal yang baru. Namun
optimalisasinya melalui pemanfaatan data analitik di Kementerian
Keuangan baru berjalan sejak tahun 2019. Pada awal-awal
penerapannya, pemanfaatan data analitik baru dilakukan secara
segregatif dan sporadis di unit-unit kerja yang berangkat dari inisiatif
pegawai-pegawai muda. Umumnya, pemanfaatan data tersebut
digunakan untuk menjawab apa yang sedang terjadi atau bersifat
deskriptif. Belum banyak analisis yang menghasilkan sebuah prediksi
atau analisis yang mampu mengarahkan organisasi kepada pengambilan
keputusan tertentu. Kalau pun aktivitas data analitik telah dilakukan,
idenya masih terbatas unit kerja penginisasi dan belum terbuka secara
luas. Hal itu terjadi karena kesadaran akan budaya pemanfaatan data

29 Marr, B. (2015). Big Data: Using SMART Big Data, Analytics and Metrics to Make
Better Decisions and Improve Performance. John Wiley & Sons.

55

baru terbentuk di kalangan yang sangat terbatas. Padahal, pemahaman
data tersebut perlu ada pada setiap jenjang, baik pada tingkat pimpinan
maupun pada tingkat pelaksana30.

Salah satu inisiatif awal penerapan data analitik dilakukan oleh
Kantor Pelayanan Utama (KPU) Bea dan Cukai Tipe A Tanjung Priok.
Dimulai pada tahun 2017, KPU Bea dan Cukai Tanjung Priok
menggunakan pendekatan data mining untuk menentukan target entitas
dalam kegiatan Joint Program DJP - DJBC. Pada mulanya, kegiatan Joint
Program ini menemui sejumlah tantangan. Salah satu tantangan tersebut
adalah belum terdefinisikan dengan jelas daftar perusahaan yang perlu
dipertukarkan di antara kedua unit eselon I tersebut. Hal ini dikarenakan
pihak-pihak yang terkait belum terbuka dalam menjelaskan proses
analisis yang dilalui dalam menghasilkan usulan daftar perusahaan yang
menjadi target program tersebut.

Untuk keluar dari permasalahan tersebut, tim KPU Bea dan
Cukai Tanjung Priok mengusulkan pendekatan data mining yang
memadukan data perpajakan dan data kepabeanan. Hasil dari proyek
tersebut adalah sebuah daftar skor yang disebut Quality Assurance Score
yaitu skor yang menggambarkan tingkat kepatuhan perpajakan setiap
entitas. Selain itu, pendekatan data mining tersebut juga menghasilkan
Dashboard Antareja yang menggambarkan potensi penerimaan negara
sekaligus menjadi daftar target dalam kegiatan Joint Program.
Pendekatan ini membuat analisis target Joint Program menjadi lebih
cepat, efektif, dan efisien. Satu tahun setelah proyek tersebut selesai di
tahun 2018, Joint Program telah menghasikan penerimaan negara lebih
dari Rp2,7 triliun. Selain itu, penyusunan daftar target yang berdasarkan
data mining ini membuat kegiatan Joint Program menuju babak baru

30 World Customs Organization 2018). Handbook on Data Analysis.

56

yang tidak lagi terkendala permasalahan kepercayaan dan
ketidakcocokan mengenai daftar target.

Lomba proyek data analitik pada kegiatan Hari Oeang Republik
Indonesia (HORI) ke-74 pada tahun 2020 menjadi momentum eskalasi
tentang ramainya diskusi tentang data. Lomba ini diharapkan mampu
meningkatkan budaya pentingnya memanfaatkan data untuk sebuah
pengambilan keputusan. Tanpa diduga, kegiatan ini mampu
mengumpulkan 67 proyek data analitik yang tersebar di seluruh unit
Eselon I31. Melalui lomba tersebut, banyak pihak yang akhirnya
menyadari bahwa pemanfaatan data analitik bisa memberikan manfaat
yang besar bagi Kementerian Keuangan. Hal ini dikarenakan proyek
yang memenangkan lomba tersebut terbukti membawa manfaat bagi
penerimaan negara.32 Bukan tidak mungkin, hal-hal seperti ini bisa
diterapkan juga pada tugas dan fungsi lainnya di unit-unit kerja
Kementerian Keuangan.

Lomba tersebut membangkitkan kesadaran bahwa data analitik
bisa memberikan warna baru bagi Kementerian Keuangan. Terdapat
harapan bahwa pengambilan keputusan berdasarkan data merupakan
budaya yang harus dimiliki oleh setiap unit kerja. Analisis dan
pengambilan keputusan tidak hanya menggunakan data dari internal
unit, tetapi juga data yang dipertukarkan melalui Sistem Layanan Data
Kementerian Keuangan (SLDK) dan pihak eksternal. Tujuannya adalah
keputusan yang dihasilkan menjadi lebih efektif, komprehensif, dan

31 Atmaja, I. (2020). Pengumuman Pemenang Kompetisi Data analitik. Diakses
dari http://www.itjen.kemenkeu.go.id/baca/742 tanggal 14 Juni 2021,.
32 Pemenang kompetisi tersebut adalah tim dari Direktorat Jenderal Bea dan
Cukai yang beranggotakan Canrakerta, Dewa Gde Adi Murthi Udayana, Yohanes
Bella Kurniawan, dan Yuafanda Kholfi. Proyek mereka berjudul Penerapan Data
Mining sebagai Risk Management pada Dokumen Impor: Studi Kasus Direktorat
Jenderal Bea dan Cukai.

57

cepat. Sesuai dengan amanat Menteri Keuangan, di era keterbukaan
informasi dan era kolaborasi saat ini, pegawai Kementerian Keuangan
harus terbuka terhadap data yang dapat dimanfaatkan bersama demi
kepentingan nasional33.

Inisiatif Strategis Data Analitik

Keseriusan Kementerian Keuangan terkait budaya pemanfaatan
data ini dituangkan pada inisiatif strategis terkait data analitik. Inisiatif
strategis tersebut disusun di seluruh tema, yaitu tema sentral, fiskal,
penerimaan, belanja, serta perbendaharaan, kekayaan negara, dan
pembiayaan seperti yang disajikan pada Gambar 6. Terdapat harapan
bahwa proyek yang disusun dapat memperkuat inisiatif strategis
reformasi birokrasi dan transformasi kelembagaan yang telah lebih dulu
disusun.

Tidak hanya berhenti pada inisiatif strategis terkait data
analitik, Kementerian Keuangan juga menunjuk Staf Ahli bidang
Penerimaan Negara sebagai Ketua Pelaksana Harian II pada Central
Transformation Office yang bertanggung jawab merumuskan kebijakan,
pembinaan, koordinasi, pemantauan, dan evaluasi pelaksanaan
pengelolaan dan pemanfaatan data Kementerian Keuangan34. Selain itu,
Kementerian Keuangan juga mengangkat seorang Chief Data
Management Officer (CDMO) sebagai jabatan baru yang bertugas untuk

33 Central Transformation Office. (2021a). Berita Aktual Transformasi
(BERAKSI). Edisi 2. Kementerian Keuangan.
34 Kementerian Keuangan. (2020). Keputusan Menteri Keuangan Nomor 601
tahun 2020 tentang Pembentukan Tim Reformasi Birokrasi dan Transformasi
Kelembagaan Pusat (Central Transformation Office) Kementerian Keuangan
Tahun 2021.

58

mewujudkan budaya data di Kementerian Keuangan35. CDMO
diharapkan mampu menyusun strategi untuk mewujudkan budaya data
di seluruh Kementerian Keuangan. Seperti halnya proyek inisiatif
strategis data analitik, dampak dari strategi budaya data adalah
bagaimana organisasi mampu menghasilkan manfaat dari dari data-data
yang selama ini belum digunakan secara optimal.

Gambar 6
Inisiatif Strategis Reformasi Birokrasi dan Transformasi

Kelembagaan Tahun 2021

Sumber: Kementerian Keuangan
Sebagai sarana pembelajaran, setiap unit eselon I memiliki dua
atau lebih proyek data analitik yang akan dikerjakan pada tahun 2021

35 Kementerian Keuangan. (2021). Keputusan Menteri Keuangan Nomor 94
tahun 2021 tentang Penetapan Pegawai Negeri Sipil sebagai Anggota Tim
Pengelola pada Tim Reformasi Birokrasi dan Transformasi Kelembagaan Pusat
(Central Transformation Office) Kementerian Keuangan Tahun 2021.

59

(Gambar 7). Proyek-proyek tersebut diharapkan memberikan dampak
positif dan nilai tambah bagi organisasi secara berkelanjutan.
Keseluruhan proyek juga didorong agar menjadi enabler bagi
penyempurnaan proses bisnis, penggerak bagi akselerasi digital di
lingkungan Kementerian Keuangan, penggerak transformasi organisasi,
pendorong bagi efektivitas dan efisiensi organisasi, dan pemahaman
(insight) bagi perumusan kebijakan bagi kementerian, lembaga, dan
pemerintah daerah.

Implementasi inisiatif strategis data analitik menjadi tantangan
tersendiri bagi Kementerian Keuangan. Terdapat kesenjangan
pemahaman data analitik baik pada jenjang pimpinan maupun
pelaksana sehingga perlu disusun beberapa strategi untuk
mengimplementasikan inisiatif strategis tersebut. Beberapa strategi
yang digunakan adalah mengadakan capacity building terkait data
analitik serta bekerja sama dengan MoF-DAC untuk memberikan
pandangan dan masukan secara konsep maupun teknis terhadap proyek
data analitik yang dikerjakan.

Pengembangan kapasitas (capacity building) difasilitasi Pusat
Pendidikan dan Pelatihan Keuangan Umum BPPK. Capacity building
dilakukan dalam dua tahap bootcamp, yaitu bootcamp 1 untuk
membahas data analitik secara umum. Bootcamp 2 untuk membahas
data analitik secara teknis. Kurikulum kegiatan tersebut sudah disusun
sejak 18 Januari 202136. Kegiatan bootcamp tersebut melibatkan banyak
pihak. Tenaga pendidik berasal dari pegawai Kementerian Keuangan
yang telah lebih dahulu memanfaatkan data analitik dan tergabung
dalam MoF-DAC.

36 Central Transformation Office. (2021b). Info Transformasi (INTRA). Edisi 2.
Kementerian Keuangan.

60

61

Kegiatan bootcamp tersebut diharapkan mampu memberikan
pemahaman bahwa pemanfaatan data analitik memerlukan kerja sama
yang baik antara pimpinan dan pelaksana. Selain itu, pemanfaatan data
analitik juga membutuhkan kerja sama baik antara unit pemilik proses
bisnis dan unit pengelola data. Di sisi lain, kegiatan bootcamp juga
menyentuh hal-hal yang bersifat teknis guna membantu proses belajar.
Tidak berlebihan, MoF-DAC sebagai salah satu champion dalam inisiatif
strategis ini diminta secara langsung untuk berperan aktif mengisi
materi bootcamp maupun mendampingi setiap proyek data analitik di
Kementerian Keuangan.

Pelajaran yang Dapat Diambil

Meski masih berjalan, inisiatif data analitik telah membuka cara
pandang baru dan menghasilkan proses belajar yang menjanjikan, baik
bagi individu-individu yang terlibat di dalam proyeknya masing-masing,
maupun bagi institusi secara keseluruhan.

Salah satu pelajaran penting dari implementasi inisiatif
strategis data analitik ini adalah pentingnya koordinasi antara unit
pemilik proses bisnis dan unit pengelola teknologi informasi di tiap unit
eselon I. Proyek data analitik ini merupakan proyek kolaborasi yang
bukan saja sebagai karya bersama, tetapi juga membutuhkan kontribusi
dari kedua belah pihak. Di dalam proyek tersebut, unit pemilik proses
bisnis berperan menjelaskan proses bisnis, masalah yang dihadapi, serta
hasil yang diharapkan. Sedangkan unit pengelola teknologi informasi
berkontribusi dalam penyediaan dan pengolahan data serta mencari
model yang paling efektif untuk menjadi solusi atas masalah yang
dihadapi. Dengan demikian, dialog di antara kedua tim sangat

62

dibutuhkan untuk memastikan proyek data analitik yang sedang
dijalankan relevan dan menghasilkan solusi yang dapat
diimplementasikan.

Pelajaran kedua dari proyek data analitik ini adalah pentingnya
berbagi data (data sharing) di antara unit eselon I atau bahkan
antarkementerian/lembaga. Sering terjadi sebuah proyek data analitik
yang menjadi tanggung jawab sebuah unit eselon I ternyata juga
membutuhkan data dari unit eselon I lainnya. Hal ini disebabkan oleh
proses bisnis unit eselon I yang saling berkaitan antara satu dengan
lainnya seperti yang telah digambarkan pada enterprise architecture
Kementerian Keuangan.

Proyek data analitik yang dikerjakan oleh DJPK yang
membangun Model Analisis Belanja K/L dengan DAK Fisik (sektor
pendidikan dan jalan) dapat menjadi contoh. Selain membutuhkan data-
data yang dikelola DJPK, proyek ini juga membutuhkan data dari DJA,
DJPb, dan Kementerian PUPR. Data dari DJA yang dibutuhkan adalah
anggaran sektor pendidikan dan jalan. Data dari DJPb yang dibutuhkan
adalah realisasi anggaran sektor pendidikan dan jalan. Sedangkan data
dari Kementerian PUPR adalah koordinat dari lokasi proyek pendidikan
dan jalan yang sedang dikerjakan. Data dari Kementerian PUPR
digunakan untuk memvalidasi apakah ada proyek jalan yang sejenis
yang juga dilaksanakan pada lokasi yang sama. Selain itu, data tersebut
juga bermanfaat untuk memastikan koordinasi antara instansi terkait
pada tingkat pemerintahan yang berbeda dapat dilakukan dengan baik.

Untuk mengatasi hambatan birokrasi terkait dengan data
sharing, Data Management Office (DMO) pada Central Transformation
Office Kementerian Keuangan mengambil peran strategis sebagai
katalisator dan menjadi jembatan bagi komunikasi dan koordinasi lintas

63

unit eselon I termasuk kementerian/lembaga terkait. DMO juga
berperan sebagai narasumber dan reviewer bersama dengan MoF-DAC
untuk mendiskusikan substansi dan cara kerja tim yang melaksanakan
proyek data analitik. Pada akhirnya, seluruh proyek data analitik dapat
memberikan manfaat yang signifikan bagi Kementerian Keuangan
secara keseluruhan.

64

65

FAKTOR SUKSES DALAM MEMBANGUN BUDAYA DATA

Komitmen Pimpinan

Ulasan terdahulu menunjukkan bahwa hambatan terbesar
dalam membangun organisasi berbasis data bukanlah faktor teknis
melainkan tantangan budaya. Menggambarkan dan menjelaskan
bagaimana menggunakan data sebagai dasar pengambilan keputusan
akan lebih mudah dibandingkan dengan menjadikannya sebagai
kebiasaan dan hal yang normal. Persoalan untuk membangun budaya
data merupakan tantangan dalam membangun organisasi yang
digerakkan berbasis data.

Dalam membangun budaya data, faktor kunci pertama yang
diperlukan adalah komitmen pimpinan. Peran pimpinan tidak saja
penting dalam melihat gambar besar (big picture) transformasi
organisasi, tetapi juga dalam memastikan setiap pegawai terbiasa dan
dapat menggunakan data dalam menghasilkan nilai tambah bagi
organisasi dan publik. Banyak pernyataan pakar dan praktisi tentang
peran penting pemimpin sebagai pembangun budaya (Tabel 2).

66

Tabel 2
Pentingnya Peran Pimpinan Bagi Budaya Data37

1. The support of top management is absolutely essential and we have
it on a daily basis (Thoen, 2011).

2. Senior leaders must understand and apply open innovation
(Slowinski & Sagal, 2010).

3. Executive-level leadership is required, as is constant focus to
reinforcing the message, and a clear understanding of the stakes
(Bingham & Spradlin, 2011).

4. Top management gives a fundamental push to establish an open
innovation implementation tam, and its support is instrumental in
achieving open innovation rollout across the whole organisation
(Mortara et al., 2009).

5. Executive sponsorship is needed [to] remove roadblocks and
mandate participation (Sloane, 2012).

Pernyataan-pernyataan di atas menunjukkan bahwa dukungan
kuat dari pimpinan merupakan pengaktif (enabler) bagi perubahan
budaya organisasi. Dengan menunjukkan komitmen dan dukungan,
kepimpinanan yang kuat menjadi instrumen kunci dalam menangani
resistensi dari orang-orang yang menentang perubahan. Ketika budaya
data menjadi suatu kebiasaan, maka budaya data akan melekat ke setiap
lini organisasi. Pergeseran pola pengambilan keputusan menjadi
berdasarkan data dan fakta membutuhkan keterlibatan langsung dari
para pimpinan. Intervensi dan desakan dari pimpinan akan mendorong
pejabat dan pelaksana pada teknis operasional untuk percaya akan
pentingnya budaya data tersebut. Pengelolaan dan perubahan yang
digaungkan pimpinan menjadi bahan bakar perubahan menuju
organisasi yang semakin berbudaya data.

37 Pernyataan-pernyataan ini merupakan rangkuman yang disajikan pada the
Role of Top Management in Open Innovation dan diakses dari
https://innovationmanagement.se/2014/02/19/the-role-of-top-management-
in-open-innovation.

67

Dalam membangun budaya data di Kementerian Keuangan,
para pimpinan memiliki tiga peran yang sangat penting yaitu sebagai
pembangun, pelekat, dan penumbuh38. Sebagai pembangun budaya, para
pemimpin harus memiliki keyakinan, nilai, dan kemampuan
merefleksikan manfaat data dalam mewujudkan visi organisasi. Para
pemimpin juga harus terbuka dan belajar tentang hal-hal baru yang
dibawa oleh data analitik sekaligus menempatkan pemahaman tentang
data analitik sebagai bagian dan pendorong untuk masa depan
organisasi.

Sebagai pelekat budaya, tindakan pemimpin harus
mencerminkan sikap dan dukungan terhadap budaya data. Tindakan
utama dari pemimpin sebagai pelekat budaya data meliputi dukungan
anggaran dan sumber daya pada proyek data analitik, pemberian status
yang layak bagi proyek data analitik, serta pembinaan karir dan
pemberian penghargaan bagi praktisi data analitik. Pemimpin juga dapat
melekatkan budaya data dalam organisasi dengan menunjukkan
perhatian detail dan reguler terhadap inisiatif data analitik yang sedang
dilakukan di unit kerjanya. Tindakan-tindakan pada Tabel 3 juga dapat
digunakan para pemimpin untuk melekatkan budaya data di
Kementerian Keuangan.

38 Schein, E. H. (2004). Organizational Culture and Leadership. Third Edition. San
Fransisco CA: Jossey Bass.

68

Tabel 3
Instrumen bagi Pemimpin untuk Membangun Budaya Data

1. Membentuk strukur organisasi dengan mengintegrasikan fungsi
data analitik

2. Menetapkan sistem dan prosedur dengan data sebagai elemen
utama

3. Menjadikan dialog tentang data sebagai kebiasaan
4. Mendesain gedung, ruang kerja, dan ruang publik dengan pesan-

pesan berbasis data
5. Menggunakan kisah tokoh dan sejarah penting terkait dengan

penggunaan data
6. Menetapkan sikap resmi organisasi berupa filosofi, kredo, dan

charter dengan menyisipkan pesan penting tentang data

Setelah budaya data melekat, seorang pemimpin menjalankan
peran sebagai penumbuh budaya data. Budaya data bukanlah konsep
biner di mana organisasi diklasifikasikan hanya pada dua kategori yaitu
belum atau telah memiliki budaya data. Budaya data merupakan sebuah
kontinum di mana suatu organisasi dapat memiliki budaya data yang
lebih baik setelah memiliki budaya data pada tingkat tertentu. Oleh
karena itu, sebagai penumbuh budaya data, pemimpin harus melakukan
identifikasi pada fase apa budaya data telah tertanam di unit kerjanya.
Selanjutnya, pemimpin perlu kreatif untuk mencari mekanisme apa yang
dapat dilakukan agar budaya data tetap tumbuh dan berkembang (Tabel
4).

69

Tabel 4

Fase Budaya Data dan Mekanisme Pertumbuhan

Fase Budaya Mekanisme Pertumbuhan Yang Dapat
Data Dilakukan

Peletakan fondasi 1. Perubahan gradual proses bisnis
dan pertumbuhan
awal 2. Mempromosikan pejabat/pegawai dengan
kompetensi data analitik pada posisi-posisi
Matang
strategis
Penurunan
3. Memberikan insentif dalam rangka

perubahan

1. Penyempurnaan teknologi untuk

mendorong data analitik ke dalam fungsi

kebijakan, regulasi, dan transaksi

2. Invitasi kepada pihak eskternal untuk
memberi perspektif baru tentang data

analitik

1. Revitalisasi fungsi-fungsi strategis
organisasi dengan mewajibkan data analitik

sebagai elemen kunci

2. Reorganisasi struktur dan unit kerja

Manajemen Perubahan

Membangun budaya data di Kementerian Keuangan
membutuhkan waktu dan perlu didukung dengan manajemen
perubahan. Tujuannya adalah agar budaya data menjadi arus utama
(mainstream) di lingkungan Kementerian Keuangan. Manajemen
perubahan juga perlu dilakukan untuk memastikan bahwa seluruh pihak
yang terlibat dan sarana yang dibutuhkan telah siap untuk mendukung
perubahan budaya data. Pihak-pihak yang menjadi tujuan manajemen
perubahan tidak terbatas pada unit pengelola sistem informasi saja,
tetapi juga melibatkan unit proses bisnis dan pimpinan seluruh unit
kerja.

70

Hal yang menjadi fokus dari manajemen perubahan adalah
perubahan cara berpikir (mindset) dan kebiasaan di lingkungan
Kementerian Keuangan. Dalam hal ini, para pemimpin menjadi orang
yang menginisiasi dan mengelola perubahan, mengidentifikasi dan
menangani rintangan, dan memonitor dan mengevaluasi hasil.
Pembangunan budaya data dimulai dari pimpinan tertinggi. Pimpinan
yang mempunyai ekspektasi yang tinggi terhadap kebiasaan
pengambilan keputusan berbasis data akan memberi pengaruh ke
pimpinan tingkat di bawahnya karena dorongan untuk dapat
berpartisipasi.

Dalam praktiknya, banyak cara yang dapat dilakukan sebagai
bagian dari kampanye dan manajemen perubahan. Kreativitas para
pimpinan dan agen perubahan dibutuhkan untuk menentukan strategi
yang paling tepat untuk mendukung perubahan budaya tersebut. Apa
pun cara yang dipilih, keterlibatan langsung para pimpinan pada
manajemen perubahan sangat dibutuhkan karena pimpinan menjadi
teladan (role model) bagi transformasi menuju data-driven organization.
Beberapa cara untuk mendukung manajemen perubahan yang dapat
dilakukan antara lain:
1. Pelatihan eksekutif (executive training) budaya data dan data

analitik bagi pimpinan unit eselon I, II, dan III,
2. Pelatihan data analitik bagi mereka yang tidak memiliki latar

belakang data analitik,
3. Kampanye penggunaan data analitik di tiap level unit kerja,
4. Penyelenggaraan hackathon data analitik pada tiap unit eselon I,
5. Promosi data analitik melalui media sosial secara reguler,
6. Penyelenggaraan talk show Ngobrol Data Keuangan (NGOTAK)

secara rutin, dan

71

7. Pemanfaatan jejaring Project Management Office untuk
menyampaikan pesan penting budaya data pada tiap unit eselon I.

Penghambat Budaya Data

Ulasan di atas telah mengupas faktor yang menjadi pengaktif
pembangunan budaya data. Selain itu, juga perlu dikenali apa saja yang
menjadi penghambat budaya data. Tujuannya adalah agar pembangunan
budaya data dan pelaksanaan inisiatif data analitik di Kementerian
Keuangan tidak mengulangi kesalahan yang sama yang terjadi di
organisasi lain. Studi yang dilakukan Gartner memperkirakan bahwa
hingga tahun 2022, pemanfaatan data analitik hanya akan memenuhi
20% tujuan bisnis (business outcomes)39. Banyak proyek data analitik
yang akan mengalami kegagalan.

Kegagalan yang terjadi pada proyek data analitik disebabkan
oleh beberapa hal. Berdasarkan survei yang dilakukan terhadap 19
pakar data analitik, didapatkan lebih dari 100 hal yang dapat
menyebabkan kegagalan proyek data analitik yang dikelompokkan
menjadi beberapa faktor (Tabel 5)40. Faktor-faktor tersebut menjadi hal
yang harus diperhatikan Kementerian Keuangan dalam
mengembangkan proyek-proyek data analitik agar meminimalisir risiko
kegagalan.

39 White, A. (2019). Our Top Data and Analytics Predicts for 2019. Diakses dari
https://blogs.gartner.com/andrew_white/2019/01/03/our-top-data-and-
analytics-predicts-for-2019 tanggal 24 Juni 2021.
40 Becker, D. K. (2017). Predicting Outcomes for Big Data Projects: Big Data
Project Dynamics (BDPD): Research in Progress. In 2017 IEEE International
Conference on Big Data (Big Data) (pp. 2320-2330). IEEE.

72

Tabel 5

Faktor-Faktor yang Menyebabkan Kegagalan Proyek Data Analitik

Kategori Isu Faktor

Manajemen Proyek dan 1. Keterampilan yang tidak memadai

Organisasi 2. Tujuan proyek yang tidak tepat

3. Tidak memenuhi return on
investment

4. Resistensi dari manajemen

5. Kesalahan menentukan lingkup

proyek
6. Struktur proyek yang tidak tepat

7. Tata kelola dan manajemen yang

tidak memadai
8. Komunikasi yang buruk

9. Menghindari masalah

Teknologi 1. Teknologi yang kompleks

2. Integrasi data
3. Manajemen data

4. Enterprise Strategy Match

5. Penggunaan teknologi yang tidak
tepat

6. Infrastruktur dan arsitektur

teknologi

7. Perubahan teknologi

Sumber: diolah dari Becker (2017)

73

74

STRUKTUR ORGANISASI DATA ANALITIK

Sebuah riset yang dilakukan oleh Ernst and Young dan Nimbus
Ninety di tahun 2015 melaporkan bahwa struktur organisasi unit
analitik adalah salah satu faktor penting dalam menginternalisasi
pemanfaatan data di dalam organisasi41. Pemilihan stuktur organisasi
tidak hanya memengaruhi cara kerja, tetapi juga menentukan hasil dari
inisiatif pemanfaatan data. Oleh karena itu, pemilihan struktur
organisasi yang tepat merupakan salah satu faktor penting untuk
mendukung transformasi yang sukses menuju data-driven organization.

Dari berbagai literatur, ada sejumlah model dan variannya yang
dapat digunakan dalam menentukan struktur organisasi yang tepat bagi
implementasi data analitik di Kementerian Keuangan. Secara umum, ada
dua model organisasi dalam menempatkan fungsi data analitik yaitu
sentralisasi dan desentralisasi42. Kedua bentuk tersebut juga memiliki
sejumlah varian dan kombinasi seperti model terpusat, model pusat
kepakaran, model fungsional, dan model sebaran.

Model Sentralisasi

Sesuai dengan namanya, pada model ini, seluruh anggota tim
data analitik melaporkan tugas dan hasil kerjanya secara terpusat.
Gambar 8 merupakan bentuk generik dari model sentralisasi jika
diimplementasikan di Kementerian Keuangan. Ada sejumlah
keuntungan yang dihasilkan oleh model sentralisasi. Pertama,

41 Ernst and Young (2015). Becoming an Analytics-Driven Organization to Create
Value.
42 Anderson (2015).

75

sentralisasi memungkinkan standardisasi keahlian, pelatihan dan tools.
Pada saat yang sama, para analis juga dapat berbagi sumber daya dan
efisiensi biaya lisensi. Kedua, para analis juga dapat bekerja lintas fungsi
dan lintas unit Eselon I dengan kemudahan koordinasi dan berbagi ide
antar anggota tim. Model ini juga memungkinkan untuk mengerjakan
proyek-proyek dengan hak akses terbatas atas data. Selain itu, model
sentralisasi memungkinkan untuk melaksanakan proyek jangka panjang
karena ketersediaan anggaran secara terpusat.

Gambar 8
Model Sentralisasi Unit Data Analitik di Kementerian Keuangan

Namun demikian, model ini juga memiliki kelemahan yaitu para analis
akan terisolasi dari tim proses bisnis dan tujuan inti dari setiap unit
kerja. Sehingga dibutuhkan analis yang memahami proses bisnis,
lingkungan, dan hukum yang menjadi konteks data. Selain itu, ada
kecenderungan terjadinya birokratisasi unit data analitik sehingga para
analis dapat menjadi reaktif atas permintaan data analitik karena akan

76

ada prioritisasi dan kompetisi sumber daya di internal unit data analitik
tersebut. Beban kerja yang tinggi dapat membuat tim sentral kurang
responsif terhadap kebutuhan organisasi. Ada potensi burn out jika
peningkatan beban kerja tidak dibarengi dengan peningkatan sumber
daya. Model ini juga membutuhkan pelatihan yang cukup intensif untuk
menghasilkan tenaga ahli yang memahami proses bisnis lintas unit
dengan baik.

Model Desentralisasi

Pada model desentralisasi, para analis dikelompokkan pada
sejumlah tim khusus. Para analis tersebut bekerja sesuai dengan tugas
yang diberikan kepada tim masing-masing. Dalam konteks Kementerian
Keuangan, tim data analitik tersebut ditempatkan pada di tiap unit
eselon I atau hingga unit eselon II. Gambar 9 merupakan bentuk generik
dari model desentralisasi jika diimplementasikan di Kementerian
Keuangan.

Gambar 9
Model Desentralisasi Unit Data Analitik di Kementerian Keuangan

77

Kelebihan model ini adalah para analis akan lebih memahami
fungsi dan tujuan dari tiap unit kerja. Selain itu, proyek analitik juga
relevan dengan kebutuhan dan misi dari tiap unit kerja. Hasilnya adalah
setiap unit kerja memperoleh manfaat langsung dari proyek data
analitik.

Namun demikian, model ini juga memiliki kekurangan.
Desentralisasi data analitik dapat menyebabkan seorang analis terisolasi
dari analis yang lain yang implikasinya adalah redudansi proyek data
analitik serta divergensi keahlian, pelatihan, dan tools. Alih-alih
menghasilkan efisiensi, tanpa koordinasi dan komunikasi yang baik di
antara para analis dan manajemen inti, proyek data analitik yang
dikerjakan pada model ini dapat berakibat pada inefisiensi. Unit data
analitik pada model ini akan kesulitan untuk mengakses kompetensi dan
pengalaman yang dimiliki unit data analitik yang berada di unit lain.
Dimensi dan cakupan proyek data analitik yang dihasilkan dari model ini
juga terbatas karena tidak berhubungan dengan kebutuhan dan proyek
data analitik di unit kerja lain.

Model Pusat Kepakaran

Model Pusat Kepakaran adalah varian dari model organisasi
yang merupakan hibrida dan kombinasi dari model sentralisasi dan
desentralisasi. Model Pusat Kepakaran adalah model yang
menggabungkan kelebihan dari model sentralisasi dan desentralisasi di
mana masing-masing unit eselon I tetap memiliki unit data analitik
namun kegiatannya dikoordinasikan oleh tim kecil di tingkat pusat yang
disebut Pusat Kepakaran (Center of Expertise). Pusat Kepakaran
bertanggung jawab atas pelatihan, penggunaan tools data analitik

78

terbaru, inovasi, dan memfasilitasi komunikasi antar unit data
analitik di tiap eselon I. Gambar 10 merupakan bentuk generik dari
model Pusat Kepakaran jika diimplementasikan di Kementerian
Keuangan.

Gambar 10
Model Pusat Kepakaran di Kementerian Keuangan

Model ini memiliki sejumlah keunggulan yang merupakan
gabungan kelebihan dari model sentralisasi dan desentralisasi. Unit data
analitik tetap dekat dengan pemilik proses bisnis yang berarti dapat
memahami permasalahan dan kebutuhan di lapangan dengan lebih baik.
Pengembangan sumber daya manusia dan koordinasi juga dilakukan
terpusat sehingga dapat sejalan dengan kebutuhan besar Kementerian
Keuangan. Hal ini dapat mendorong unit data analitik di tiap eselon I
dapat fokus pada inti kegiatan data analitik seperti eksplorasi data,

79

permodelan dan deployment. Pusat Kepakaran juga dapat memahami
kebutuhan data analitik di tiap level organisasi dan mengkoordinasikan
kebutuhan tersebut ke unit data analitik yang ada di eselon I. Selain itu,
unit eselon I tetap memiliki keleluasaan untuk menyebarkan analisnya
sesuai kebutuhan unit dengan koordinasi Pusat Kepakaran.

Namun demikian, model ini juga memiliki sejumlah
kekurangan. Pusat Kepakaran mungkin tidak memiliki kendali yang
cukup atas efektivitas pekerjaan unit data analitik eselon I karena unit
data analitik tidak berada di bawah Pusat Kepakaran secara langsung.
Prioritas pekerjaan di unit eselon I bisa jadi dianggap lebih tinggi oleh
pimpinan unit eselon I sehingga menghambat tercapaianya tujuan data
analitik bagi Kementerian Keuangan secara luas. Jika Pusat Kepakaran
tidak memiliki dukungan anggaran yang cukup, maka implementasi data
analitik dapat terhambat dan terpecah di masing-masing unit eselon I.
Oleh karena itu, Pusat Kepakaran harus memiliki dukungan
infrastruktur yang baik untuk menghilangkan divergensi teknologi yang
ada di unit eselon I.

Model Fungsional

Sedikit berbeda dengan ketiga model di atas, model ini dibentuk
berdasarkan fungsi atau tema dari unit organisasi. Model ini
menempatkan unit data analitik berdasarkan gugus fungsi/tema yang
ada di organisasi. Sebagai contoh, untuk gugus fungsi data analitik di
bidang penerimaan, unit data analitik akan melakukan kegiatan data
analitik berdasarkan proses bisnis dari DJP, DJBC dan DJA yang terlibat
dalam penerimaan negara. Untuk fungsi kehumasan, unit data analitik
Kementerian Keuangan akan berkoordinasi dengan seluruh unit

80